yolov8筛选跟踪物体

### 使用YOLOv8实现物体检测与跟踪

#### 物体检测部分

为了使用 YOLOv8 进行物体检测，`objdetector.py` 文件主要负责这一功能。该文件依赖于 `torch` 和 `ultralytics` 库来加载预训练的 YOLO 模型并执行检测操作[^1]。

from ultralytics import YOLO

def load_model(model_path='yolov8n.pt'):
    model = YOLO(model_path)
    return model

def detect_objects(image, model):
    results = model.predict(source=image, conf=0.5, iou=0.45)[0].boxes.data.tolist()
    detections = []
    
    for result in results:
        x_min, y_min, x_max, y_max, score, class_id = result
        detection_data = {
            'bbox': (x_min, y_min, x_max, y_max),
            'score': score,
            'class_id': int(class_id)
        }
        detections.append(detection_data)

    return detections

这段代码展示了如何加载 YOLOv8 模型以及如何通过给定图像获取检测结果。对于每一个检测到的对象，返回的是边界框坐标、置信度分数和类别 ID。

#### 跟踪筛选部分

当涉及到对象跟踪时，则引入 DeepSort 来处理多个帧之间的关联问题。DeepSort 可以帮助保持同一目标在整个视频序列中的唯一身份标识，并且可以有效地过滤掉不稳定的检测结果。具体来说，在每一帧中获得的新检测结果会被传递给 DeepSort 实例来进行更新：

import numpy as np
from deep_sort_realtime.deepsort_tracker import DeepSort

tracker = DeepSort(max_age=30, n_init=2)

def track_objects(frame, detections):
    tracks = tracker.update_tracks(detections, frame=frame)
    tracked_objects = []

    for track in tracks:
        if not track.is_confirmed():
            continue
        
        bbox = track.to_ltrb()  # 获取左上角右下角坐标
        object_info = {
            "track_id": track.track_id,
            "bbox": tuple(map(int, list(bbox)))
        }

        tracked_objects.append(object_info)

    return tracked_objects

此函数接收当前帧及其对应的检测列表作为输入参数，调用 `update_tracks()` 方法后会得到一系列已确认轨迹（即稳定存在的实体）。这些轨迹包含了每个被追踪对象的位置信息及唯一的ID编号。

最后，结合上述两部分内容即可构建完整的基于 YOLOv8 的多目标跟踪系统，不仅实现了高效的物体检测还能持续监控场景内的动态变化情况。